談融合模糊色彩思維建模的馬賽克風(fēng)格渲染技術(shù)論文
傳統(tǒng)繪畫創(chuàng)作中的色彩思維具有模糊性, 其通常流程如圖1 所示. 藝術(shù)家首先通過觀察景物獲得關(guān)于畫面的結(jié)構(gòu)及色彩構(gòu)成的主觀模糊印象,然后根據(jù)主觀表達(dá)意圖進(jìn)行賦色. 然而, 至今仍缺少一種數(shù)學(xué)模型, 能夠良好、廣泛地表達(dá)該流程中色彩思維的主觀模糊性. 這既不利于理性地解析藝術(shù)家的思維方式, 也不利于開發(fā)圖像處理應(yīng)用.
于是, 本文意在對色彩思維的模糊性進(jìn)行建模, 并嘗試運用于非真實感繪制(non-photorealistic rendering,NPR). 模糊色彩技術(shù)能夠一定程度地模擬人類的色彩主觀模糊性, 卻暫未用于構(gòu)建藝術(shù)家的模糊色彩思維. 近年來, 部分學(xué)者基于模糊色彩技術(shù)先后提出了不同模型, 并實際應(yīng)用于圖像處理、圖像檢索、配色設(shè)計和色彩表征等領(lǐng)域, 且有良好的發(fā)展, 但還未在NPR 領(lǐng)域中發(fā)揮作用.模糊色彩技術(shù)是利用模糊集理論的隸屬函數(shù)將色彩進(jìn)行不同方式的顏色聚類或分類, 它的模型是抽象的, 為了產(chǎn)生藝術(shù)化的繪制效果, 必須融入一種特定的NPR 方法中, 才能體現(xiàn)其實際用途. 為此, 選用了馬賽克渲染技術(shù). 這是由于馬賽克渲染涉及的圖像剖分技術(shù)能夠較好地模仿藝術(shù)家對形態(tài)構(gòu)成的觀察和分析方法, 并且由此得到的結(jié)果還可以作為其他NPR 技術(shù)(如油畫效果、水粉效果等) 在取色時所用的源圖像.
目前在馬賽克渲染技術(shù)中, 還未嘗試融入模糊色彩技術(shù). 本文融合這2 種技術(shù), 提出可以廣義上模擬不同藝術(shù)家的色彩思維賦色的方法.對比了傳統(tǒng)的馬賽克渲染方法和本文方法. 傳統(tǒng)的馬賽克渲染主要關(guān)注于對源圖像的分區(qū). 本文改造了馬賽克渲染技術(shù), 重點加入了模糊色技術(shù), 以模擬藝術(shù)觀察色彩和運用色彩時的模糊思維, 并且在圖像分區(qū)的流程里實現(xiàn)了層次細(xì)分優(yōu)化, 以模擬藝術(shù)家對形態(tài)的觀察分析方法.通過主觀問卷實驗的方法, 本文證明所提出模型能夠廣義地、良好地表達(dá)不同藝術(shù)家的賦色策略. 最后,基于本文方法開發(fā)了一款馬賽克藝術(shù)渲染原型應(yīng)用, 其體現(xiàn)出了2 個優(yōu)點:
1) 用戶可從預(yù)設(shè)的大量圖像賦色策略中快速獲取到采取不同賦色方案的大量結(jié)果, 并從中選取符合自身藝術(shù)審美的結(jié)果;
2) 用戶可了解每個賦色結(jié)果對應(yīng)的賦色規(guī)則, 學(xué)習(xí)到一種可運用于實際繪畫的、接近藝術(shù)家實際思維模型的賦色策略.
1 相關(guān)工作
以往已有一些研究涉及了模擬藝術(shù)家的賦色思維, 但對于色彩的主觀模糊性建模卻顯得不足.Zeng 等基于圖像解析技術(shù)的語義驅(qū)動方法模仿了畫作的形態(tài)構(gòu)成, 將圖像進(jìn)行分割分類并實現(xiàn)不同類別的筆刷藝術(shù)渲染. Guo 等運用輸入圖像生成的結(jié)構(gòu)描述映射圖并建立對象輪廓描述、模仿畫作形態(tài)構(gòu)成, 再通過一種色彩轉(zhuǎn)換算法模仿水墨畫賦色風(fēng)格. Zang 等將藝術(shù)性增強和色彩調(diào)和結(jié)合運用到圖像增強技術(shù), 在Lab 色彩空間實現(xiàn)了模仿藝術(shù)家真實主觀調(diào)色的思維. 趙葉峰等在HSL 色彩空間利用色彩調(diào)和技術(shù)提取油畫的主題色, 得到視覺相對明顯的像素色彩. 色彩調(diào)和技術(shù)需要結(jié)合對人心理感知概念, 一定程度上模擬了藝術(shù)家主觀調(diào)色. 然而, 這些技術(shù)大多在常見的色彩空間如HSV[13-14], HSL, Lab, LMS 錐彩色空間等中實現(xiàn), 而且模擬賦色的主要途徑是色彩調(diào)和技術(shù), 卻未利用模糊色彩進(jìn)行實踐, 也就未能很好地模擬藝術(shù)家色彩思維的主觀模糊性.模糊色彩技術(shù)對人的色彩認(rèn)知模糊性具有良好的表達(dá)力, 但還未能用于輔助數(shù)字藝術(shù)創(chuàng)作.Chang 等相繼提出在2 種不同的模糊色彩分類方法條件下基于參考圖像對源圖像的色彩進(jìn)行轉(zhuǎn)換, 得到符合人類感知的圖像. Alarcón 等結(jié)合貝葉斯方法和模糊色彩模型提出一種色彩圖像語義分割的方法, 對圖像進(jìn)行不同風(fēng)格的處理. 劉炯宙等給出了基于色彩語義且綜合色彩調(diào)和度、色彩語義和用戶交互評價的'產(chǎn)品交互式遺傳配色設(shè)計方法, 把模糊語義應(yīng)用到了配色設(shè)計, 通過用戶交互符合其個人心理感知, 值得借鑒. 張全等提出能夠在不同維度和粒度層上實現(xiàn)色彩空間與情感語義空間的復(fù)雜映射的色彩表征方法, 在語義層面上實現(xiàn)了模糊色彩渲染, 渲染得到的色彩也更符合人的心理感知. 不過, 這些方法至今還未應(yīng)用于模擬藝術(shù)家的色彩思維, 也未運用于NPR 領(lǐng)域.馬賽克渲染風(fēng)格方法 (晶格化馬賽克(crystallizationmosaic)、古風(fēng)馬賽克(ancient mosaic))中, 晶格化馬賽克采用計算幾何方法和圖像處理技術(shù)相結(jié)合進(jìn)行處理, 得到類似彩色玻璃的效果.古風(fēng)馬賽克充分保留了源圖像信息, 著色的碎片形狀大小多樣. 這2 種都是模仿傳統(tǒng)馬賽克藝術(shù),在馬賽克碎片排布上做研究. Faustino 等對基本的馬賽克分割思想進(jìn)行了改進(jìn), 得到的馬賽克圖像具有邊緣信息. Hausner使用重心Voronoi 圖重現(xiàn)擬真的古代馬賽克風(fēng)格. 陳中貴等基于測地距離度量下的Voronoi 圖結(jié)構(gòu), 提出一種保特征的自適應(yīng)馬賽克圖像生成方法. Han 等提出一種在移動設(shè)備上實時、快速地生成彩色紙形狀的馬賽克的方法. 上述馬賽克技術(shù)大多側(cè)重于對馬賽克碎片的分割方法、形狀、大小、排列方式和算法效率的研究, 只有極少研究關(guān)注于顏色調(diào)整對生成的馬賽克圖像視覺效果的影響. 通常取源圖像對應(yīng)像素進(jìn)行賦色, 且采用較簡單傳統(tǒng)的顏色校正,如均值調(diào)整、方差調(diào)整[26]. 這些技術(shù)沒有涉及如何模仿藝術(shù)家思維對馬賽克碎片賦色, 但其中對于圖像的區(qū)域剖分技術(shù)可用于模擬藝術(shù)家對畫面的結(jié)構(gòu)進(jìn)行觀察與分析的技巧, 因此可結(jié)合模糊色技術(shù), 對畫家的繪畫思維過程進(jìn)行完整模擬.
2 技術(shù)框架及實現(xiàn)
示意了本文的系統(tǒng)框架: 虛線框內(nèi)為系統(tǒng)的主流程, 虛線框外左側(cè)示意系統(tǒng)流程與藝術(shù)家的創(chuàng)作過程的對應(yīng)關(guān)系, 虛線框外右側(cè)表達(dá)了原形系統(tǒng)的交互接口.本文技術(shù)均圍繞基于模糊色彩的馬賽克模型展開, 其主流程讀取用戶指定的一幅圖像, 經(jīng)過圖像的模型轉(zhuǎn)化、圖像賦色策略和圖像渲染, 得到風(fēng)格化的馬賽克圖像.上述流程模仿了藝術(shù)家的創(chuàng)作過程. 其中三角剖分與模糊色彩識別模仿了藝術(shù)家的觀察方法,相當(dāng)于藝術(shù)家通過分析想象獲得的主觀圖像分區(qū)和色彩構(gòu)成; 而圖像賦色策略模仿了藝術(shù)家創(chuàng)作時的主觀賦色.
2.1 圖像賦色策略
藝術(shù)家在對畫面賦色時并不會完全再現(xiàn)最初的主觀色彩印象, 而是會采取主觀變色處理, 并往往會嘗試不同色彩搭配效果; 然后從中選取滿意的配色效果, 形成個人的色彩風(fēng)格. 其中變色方法通常是將色彩在其同一色系范圍內(nèi)隨機變化. 這種隨機性在不同藝術(shù)家的創(chuàng)作中又具有不同的特性, 相當(dāng)于每個藝術(shù)家采取了具有個人特色的概率密度函數(shù)來隨機變色. 本節(jié)的圖像賦色策略模仿了藝術(shù)家創(chuàng)作的主觀賦色, 并基于每個三角面片的模糊色彩, 采取隨機化的色彩搭配對應(yīng)藝術(shù)家思維. 用戶可從得到的一系列賦色策略中選擇最符合自身偏好的策略參數(shù).
在模糊色彩空間CDV 中, 代表色c 決定色彩所處的語義環(huán)境, 隸屬度d 和三維向量v 的不同決定了同一色彩語義對應(yīng)多種色彩值. 本節(jié)利用模糊色彩這一特性, 分別構(gòu)造針對隸屬度d 和三維向量v 的函數(shù)作用于三角面片, 從而更改三角面片頂點的模糊色彩值.
3 實驗結(jié)果分析
本文基于OpenFrameworks 框架, 用C++語言實現(xiàn)了馬賽克渲染原型系統(tǒng). 系統(tǒng)可以通過更改賦色策略, 快速生成大量不同風(fēng)格的馬賽克圖像.用戶可以從中挑選符合自身藝術(shù)審美的方案, 并且可以查看每一種渲染結(jié)果采取的賦色策略, 2450M CPU-從而了解并學(xué)習(xí)到這種賦色方式.本節(jié)介紹了賦色策略組的參數(shù)分析、模擬藝術(shù)家主觀化賦色思維的可行性分析. 實驗環(huán)境為IntelCore i5 2.50 GHz, 4 GB RAM. 所有實驗圖像均不超過600×600 的大小, 細(xì)分度預(yù)設(shè)位Td={1200, 600, 100}, 平均運行時間為3.2 s.
3.1 賦色策略組的參數(shù)分析
模糊賦色策略參數(shù)組{ε, λ, η, μ}中, ε 和λ 作用于隸屬度d, 決定實際繪畫渲染中色彩的鮮艷度; η和μ 作用于三維向量v, 決定實際渲染中色彩的偏向性. 色彩的偏向性由其所屬代表色和其在圖4 所示三維空間所處的位置所決定. 例如, 由圖6 中示例點(紫色, 0.2, (0.9, 0.3))與代表色質(zhì)心所處關(guān)系可知, 示例點色彩偏向灰色和橙色, 因此,-0.3, 要通過實際空間對應(yīng)關(guān)系才能具體分析色彩的偏向性.下面對一系列模糊賦色策略參數(shù)進(jìn)行實驗,以展現(xiàn)這些參數(shù)的賦色效果. 以下每個實驗結(jié)果都是由同一組策略參數(shù)對圖像所有三角面片的CDV 值進(jìn)行處理, 且保證了相同細(xì)分度T={1200,600, 100}.
3.1.1 ε 值和λ 值變化對圖像的影響
因為ε 值的變化結(jié)果和λ 值相似, 實驗中只選取了對λ 值變化的圖像結(jié)果, 用以分析ε 和λ 值.表2 和圖9 a~9i 組分別比較了ε, η, μ 相同的情況下, λ=0.1, 0.5, 1 的圖像渲染情況. 3 組圖像表明,λ 對圖像起一定變化作用: 在相同代表色和同一向量方向上, λ 值越小, 圖像色彩越明亮; λ 值越大,圖像色彩越暗.
3.1.2 η 值變化對圖像的影響
9j~9l 組分別比較了ε λ, μ 相同的情況下, η=0.1, 0.5, 1 的圖像渲染情況. 圖像表明, 在相同代表色和同一向量方向上, η 值越大, 圖像色彩越明亮; η 值越小, 圖像色彩越暗. 且在η 大于某一個值后圖像變化不太明顯, 因此本文在輔助系統(tǒng)中選取作為η 的變化范圍.
3.1.3 μ 值變化對圖像的影響
9m~9t 組分別比較了在ε_, λ, η 相同的情況下不同向量μ 值對圖像的影響效果. 實驗使用了8 個代表不同方向的參數(shù)組, 通過表2 和圖9可以得知,向量μ 的不同取值影響圖像效果顯著:在相同代表色和相同隸屬度的情況下, 圖9m 色調(diào)偏淡偏粉, 圖9n 主色調(diào)偏黃, 圖9o 和9r 主色調(diào)偏綠, 圖9p 主色調(diào)偏藍(lán), 圖9q 主色調(diào)偏紫, 圖9s 主色調(diào)偏紅, 圖9t 主色調(diào)偏深綠. 向量主要由實際代表色所在三維空間位置所控制, 因此, 可根據(jù)對應(yīng)表圖上的μ 值選擇相近取值, 從而得到相近的圖像渲染效果. 更多不同向量對圖像的影響有待用戶探索.
3.1.4 小結(jié)
上述對比分析很好地體現(xiàn)了藝術(shù)家賦色中的主觀變色, 并進(jìn)一步得出, 在模糊賦色策略參數(shù)組__策略組中的ε 或λ 值; 若要更改圖像的主色調(diào), 則根據(jù)空間結(jié)構(gòu)調(diào)節(jié)η 和μ 值; 對于如何精確選取色彩偏向性, 原型系統(tǒng)中提供代表色的可視化關(guān)系位置可供用戶選擇.通過上述數(shù)據(jù)對比, 本節(jié)也進(jìn)一步確定了2.4節(jié)中的所提到的{ε, λ, η, μ}參數(shù)范圍.
3.2 模擬藝術(shù)家主觀化賦色思維的可行性
3.2.1 模擬藝術(shù)家色彩思維的方法
由于藝術(shù)家創(chuàng)作時不采用單一的賦色策略,模擬藝術(shù)家的賦色思維更確切地體現(xiàn)在模擬他們的代表作品的賦色策略. 如圖10 所示印象派畫家莫奈就曾用不同的賦色效果描繪相同光照下的相同景物(圖中對相同的睡蓮進(jìn)行了不同的賦色描繪). 實驗圖像局限由于實驗圖像內(nèi)容、色彩與藝術(shù)家原始景物有所區(qū)分, 且不同實驗圖像存在不同的色彩偏向, 例如, 圖13d 的原圖中花朵偏紅, 圖13e 的原圖偏藍(lán),于是添加相同的賦色策略后產(chǎn)生的渲染色彩會有所不同. 相比而言, 圖13f 的原圖和藝術(shù)家原圖色彩偏向較一致, 因此在色彩相似性上優(yōu)于其他的實驗圖像效果.
1) 實驗圖像的模擬程度
根據(jù)可知, 每幅圖對應(yīng)的賦色策略均高于5 分, 即全部達(dá)到了“基本符合”的程度, 部分圖像賦色策略平均相似程度分?jǐn)?shù)高達(dá)8 分左右, 全部樣本的平均相似程度在6.43, 數(shù)據(jù)的方差總體比較平均. 因此, 上述數(shù)據(jù)能夠證實, 本文賦色策略組好地模擬了藝術(shù)家的色彩思維.
2) 賦色策略組的廣義性
因為10 幅作品來自不同的藝術(shù)家, 且模擬賦色策略都能較好地模擬作品, 由此證實本文的模擬賦色策略組是可以在廣義上模仿不同藝術(shù)家的不同作品的色彩風(fēng)格.
3) 模糊色彩集劃分的局限
在生成的作品中, 有些位置的色彩過大地偏離了其對應(yīng)的模糊色概念; 其中重要原因是當(dāng)前的模糊色彩集定義在RGB 空間. 目前有關(guān)模糊色的研究中, 大都是在RGB 色彩空間中定義模糊色彩集, 本文采用Soto-Hidalgo 的模糊色彩分類方法亦是如此, 還較少嘗試在其他色彩空間中定義. 然而, RGB 空間并不具有視覺等距的屬性, 因此, 生成的11 個模糊色彩集范圍與藝術(shù)家認(rèn)知的色彩就會有較大差異.
3.2.4 小 結(jié)
本節(jié)主要印證了本文賦色策略組可以模擬出多種不同經(jīng)典作品的賦色策略, 和能夠廣義地模擬不同藝術(shù)家的賦色思維. 也存在一些局限, 包括本文并未能夠?qū)崿F(xiàn)直接從藝術(shù)家的作品中識別出它的真實賦色策略, 因此不涉及從經(jīng)典作品提取出賦色策略的技術(shù); 在實驗圖像選取過程中存在色彩偏向的局限, 導(dǎo)致圖像渲染效果不一致.
【談融合模糊色彩思維建模的馬賽克風(fēng)格渲染技術(shù)論文】相關(guān)文章:
數(shù)學(xué)建模的論文格式08-03
數(shù)學(xué)建模論文的致謝詞12-03
數(shù)學(xué)建模論文格式要求08-01
色彩論文的開題報告01-04
用變態(tài)思維快樂學(xué)習(xí)考生談考研英語04-26
關(guān)于色彩論文開題報告10-22
水墨荷花渲染簡歷封面06-16
關(guān)于談教育論文的寫作。10-31
用“變態(tài)”思維快樂學(xué)習(xí),高分考生談考研英語的短文04-26
影視燈光渲染師求職簡歷06-27